【技术实现步骤摘要】
本申请涉及乳腺癌预测领域，尤其涉及一种乳腺癌风险预测方法、装置、设备和存储介质。
技术介绍
1、乳腺癌分子分型在临床特征、生物学行为、治疗方案选择及预后方面存在显著差异，因此，确定乳腺癌的分子分型对临床实践具有重要意义。然而，目前主要依赖于穿刺或手术获取组织进行病理检测，存在有创、耗时、易漏诊等缺点。
技术实现思路
1、本申请的目的在于克服上述现有技术中，提供一种乳腺癌风险预测方法、装置、设备和存储介质。
2、本申请提供一种乳腺癌风险预测方法，包括：
3、获取乳腺癌患者的临床特征和影像学图像，该影像学图像包括pet图像和ct图像；
4、对所述pet图像和所述ct图像乳腺癌原发灶roi标注、分别依次进行预处理，影像组学特征提取，获得pet组学特征和ct组学特征；
5、将所述临床特征、pet组学特征和ct组学特征表示为矩阵，并进行拼接，得到总特征矩阵；
6、根据所述总特征矩阵建立逻辑回归模型和损失函数；
7、根据所述逻辑回归模型和损失函数确定各个样本的权重，将所述权重与各个样本的特征进行相乘求和，获得每个样本的风险评估值，用于乳腺癌风险预测。
8、可选地，所述预处理包括：
9、指数、梯度、高斯拉普拉斯算子、对数、平方、平方根和小波滤波；
10、其中，所述小波滤波由纳入pet/ct图像3个维度的高通h与低通l的组合组成，分别包括llh、lhl、hhl、lll、hhh、lhh、hll
11、可选地，影像组学特征提取，包括：
12、从pet/ct的原始图像中提取三维和二维形状特征；
13、从pet/ct的预处理图像和原始图像中提取形状特征、一阶特征、灰度共生矩阵、灰度游程长度矩阵、灰度大小区域矩阵、灰度依赖矩阵。
14、可选地，根据所述逻辑回归模型和损失函数确定各个样本的权重，将所述权重与各个样本的特征进行相乘求和，获得每个样本的风险评估值，包括：
15、使用wilcoxon检验计算具有显著差异的影像组学特征；
16、计算每两个具有显著差异的影像组学特征组合之间的相关性，根据所述相关性确定特征之间的冗余程度，并去除高维的特征冗余；
17、使用lasso回归筛选去除高维的特征冗余的影像组学特征组合；
18、将筛选后的保留特征以及对应的特征权重进行线性组合计算每个病人的影像组学分数。
19、可选地，使用lasso回归筛选预测效能较高的影像组学特征组合，表达式如下：
20、，
21、其中，p(y=1|x)表示样本预测为1类的概率；为各个样本的权重，为各个样本所对应的特征，e是自然常数。
22、可选地，损失函数表达式如下：
23、，
24、其中，y表示样本的真实分类值，表示预测值；
25、令损失函数最小，得到各个样本的最佳权重。
26、可选地，所述临床特征，包括：患者的年龄、月经情况、临床分期、病理类型、er、pr及her-2表达状态、分子分型。
27、本申请还提供一种乳腺癌风险预测装置，包括：
28、获取模块，用于获取乳腺癌患者的临床特征和影像学图像，该影像学图像包括pet图像和ct图像；
29、特征模块，用于对所述pet图像和所述ct图像乳腺癌原发灶roi标注、分别依次进行预处理，影像组学特征提取，获得pet组学特征和ct组学特征；
30、拼接模块，用于将所述临床特征、pet组学特征和ct组学特征表示为矩阵，并进行拼接，得到总特征矩阵；
31、计算模块，用于根据所述总特征矩阵建立逻辑回归模型和损失函数；
32、预测模块，用于根据所述逻辑回归模型和损失函数确定各个样本的权重，将所述权重与各个样本的特征进行相乘求和，获得每个样本的风险评估值，用于乳腺癌风险预测。
33、本申请还提供一种乳腺癌风险预测设备，包括：
34、存储器，用于存储上述一种乳腺癌风险预测方法的计算机可执行程序；
35、处理器，用于调取所述计算机可执行程序，执行：获取乳腺癌患者的临床特征和影像学图像，该影像学图像包括pet图像和ct图像；对所述pet图像和所述ct图像乳腺癌原发灶roi标注、分别依次进行预处理，影像组学特征提取，获得pet组学特征和ct组学特征；将所述临床特征、pet组学特征和ct组学特征表示为矩阵，并进行拼接，得到总特征矩阵；根据所述总特征矩阵建立逻辑回归模型和损失函数；根据所述逻辑回归模型和损失函数确定各个样本的权重，将所述权重与各个样本的特征进行相乘求和，获得每个样本的风险评估值，用于乳腺癌风险预测。
36、本申请还提供一种存储介质，存储有计算机可执行程序，该计算机可执行程序用于被处理器调取，执行上述一种乳腺癌风险预测方法的步骤。
37、本申请的有益效果是：
38、本申请提供一种乳腺癌风险预测方法，包括：获取乳腺癌患者的临床特征和影像学图像，该影像学图像包括pet图像和ct图像；对所述pet图像和所述ct图像乳腺癌原发灶roi标注、分别依次进行预处理，影像组学特征提取，获得pet组学特征和ct组学特征；将所述临床特征、pet组学特征和ct组学特征表示为矩阵，并进行拼接，得到总特征矩阵；根据所述总特征矩阵建立逻辑回归模型和损失函数；根据所述逻辑回归模型和损失函数确定各个样本的权重，将所述权重与各个样本的特征进行相乘求和，获得每个样本的风险评估值，用于乳腺癌风险预测。本申请通过pet/ct图像处理和机器学习，建立乳腺癌分子分型与影像之间的映射关系，根据患者的临床特征和pet/ct图像，预测其乳腺癌分子分型的概率，从而制定出更精确的个体化诊疗方案。相较于传统的活检方法，这种基于统计建模的预测系统具有减少患者痛苦、降低医疗成本、高可重复性和易操作性等优点。
本文档来自技高网...【技术保护点】
1.一种乳腺癌风险预测方法，其特征在于，包括：
2.根据权利要求1所述乳腺癌风险预测方法，其特征在于，所述预处理包括：
3.根据权利要求1所述乳腺癌风险预测方法，其特征在于，影像组学特征提取，包括：
4.根据权利要求1所述乳腺癌风险预测方法，其特征在于，根据所述逻辑回归模型和损失函数确定各个样本的权重，将所述权重与各个样本的特征进行相乘求和，获得每个样本的风险评估值，包括：
5.根据权利要求1所述乳腺癌风险预测方法，其特征在于，使用LASSO回归筛选预测效能较高的影像组学特征组合，表达式如下：
6.根据权利要求1所述乳腺癌风险预测方法，其特征在于，损失函数表达式如下：
7.根据权利要求1所述乳腺癌风险预测方法，其特征在于，所述临床特征，包括：患者的年龄、月经情况、临床分期、病理类型、ER、PR及HER-2表达状态、分子分型。
8.一种乳腺癌风险预测装置，其特征在于，包括：
9.一种乳腺癌风险预测设备，其特征在于，包括：
10.一种存储介质，其特征在于，存储有计算机可执行程序
...【技术特征摘要】
1.一种乳腺癌风险预测方法，其特征在于，包括：
2.根据权利要求1所述乳腺癌风险预测方法，其特征在于，所述预处理包括：
3.根据权利要求1所述乳腺癌风险预测方法，其特征在于，影像组学特征提取，包括：
4.根据权利要求1所述乳腺癌风险预测方法，其特征在于，根据所述逻辑回归模型和损失函数确定各个样本的权重，将所述权重与各个样本的特征进行相乘求和，获得每个样本的风险评估值，包括：
5.根据权利要求1所述乳腺癌风险预测方法，其特征在于，使用lasso回归筛选预测效能较高的影像组学特征组合，表达式如下：...
【专利技术属性】
技术研发人员：刘建井，边海曼，戴东，徐文贵，
申请(专利权)人：天津市肿瘤医院天津医科大学肿瘤医院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。